AI 小记

在机器学习ML中，算法基于数据创建一个模型，随着数据的增多该模型会得到提高。
有四种主要类型的机器学习：supervised, unsupervised, semi-supervised 和 reinforcement learning.
在监督学习中，算法通过分析和处理大量的标签数据来识别数据。
在非监督学习中，算法从大量非标签化数据中自己识别模式和分类。
深度学习DL是ML的一个子集，它利用多层神经网络从巨量数据中学习。

AI实践：一个ML工作流
AI是能够基于经验进行sense，reason,act 然后 adapt的。
其具体过程可以划分为：
1.Data Acquisition：数据获取，首先我们需要巨量的数据，这些数据可以来自许多数据源，比如穿戴设备的传感器，其它对象，云，或者互联网络。
2.Data Aggregation and Curation：数据聚合和管理，一旦数据被收集后，数据科学家需要对数据进行聚合处理并打上标签
3.Model Development：模型开发，通过对收集到数据初步分析，创建一个数据模型，然后对模型的准确性和性能进行优化。
4.Model Deployment and Scoring:模型部署和跑分，将模型部署到某个应用程序中，在那些基于新数据进行预测。
5.Update with New Data：使用新数据进行模型更新，随着数据的不断增多，模型会变的更加优化和精确，比如自动驾驶，通过传感器，GPS，360度视频抓取等等获取更多的真实数据，可以优化未来预测。

Opportunity for AI Developer：
一个最激动人心的事实AI不仅仅有在计算机工业或者软件业掀起革命的潜力，它可能会在涉及到我们生活的任何行业掀起革命。
它将跟工业革命一样变革我们的社会，技术革新，在我们生活的每一个方面都带来革命。
英特尔为其提供了基础，架构，和战略来推进AI发展。
对于开发者来说，AI领域的扩展意味着我们能够将我们的兴趣和某一行业方向的AI有关知识应用到具体行业。
比如音乐，体育或者健康。 纵观世界上现在AI的发展，找到你感兴趣的领域，比如：
1.Finance：金融，我们可以使用AI编写投资组合的算法，在股票市场执行交易活动等。
2.Healthcare：健康，开发技术帮助读X-射线光片，MRIs影像和CAT 扫描等能容。使用有限感知来帮助人们。
3.AUTOMOTIVE：自动驾驶，帮助自动驾驶汽车更好的识别和回应汽车环境中的突发变化。创建infotainment娱乐资讯系统来让 驾驶人员与汽车进行自然的交互获取音乐，地图导航等辅助功能。

4.MANUFACTURING：智能制造，设计算法来减少维修并提高工作效率。
5.SPORTS：可穿戴设备能够帮助研究和提高训练水平，开发算法判定识别大量数据来预测未来可能出现的结果。

深度学习的机会：
Photos,Maps,Voice Search,Ad Targeting,Self-Driving Car,Machine Transaction,Investment Portfilio Management,Image Recogniction for Healthcare Diagnosis,Image Recognition for Visually impaired,Speech Recognition,Industrail Maintenance,Sports Performance等。

转载于:https://my.oschina.net/u/924064/blog/900143